英語の頻出5,000語を知っていれば、典型的な英語のネイティブ動画は95.6%が知っている単語になる。そして58.4%の動画が95%に届く。95%は、リスニング研究で「学習者がよく理解できる」とされる水準だ。スペイン語では、典型的な動画が95%に届くのに約6,800語が必要になる。さらに、私が測定した23言語のうち13言語では、10,000語でも足りない。
この数字は、Reelangのカタログにある23言語35,615本のネイティブ動画をもとにしている。各言語の頻度リストと照らして、1語ずつ数えた。下で言語と語彙サイズを選ぶと、その組み合わせで何が見えるかがわかる。
最初の1,000語がほとんどの仕事をする
単語の頻度は大きく偏っている。数百語（the、and、is、you、que、de）が発話全体の大きな割合を占め、リストの下に行くほど登場回数は減る。この偏りはジップの法則として知られていて、ここで扱うすべての言語に当てはまる。
注釈なしで順位づけできる18言語をならすと、典型的な動画は上位1,000語で80.7%、上位2,000語で86.7%、上位5,000語で92.4%がカバーされる。最初の1,000語で、5語のうち4語が既知になる。次の4,000語で増えるのは約12ポイントだ。
リスニングで意味を持つ基準は、この残りわずかなポイントの中にある。「何語必要か」の研究で、次の2つが繰り返し出てくる。
- 95%。20語に1語が未知。Batia Laufer が1989年に読解向けに提案した。リスニングでは、van Zeeland と Schmitt（2013）が、多くの聞き手は90%でもなんとかなること、95%では第二言語の聞き手がよく理解でき、個人差も小さくなることを示した。
- 98%。50語に1語が未知。Hu と Nation（2000）は、学習者が自力で小説を読んで十分に理解するには、これくらい必要だとした。
普通の話す速さである毎分150語なら、95%は1分あたり未知語が約7語ということになる（Nation, 2006）。98%なら3語だ。この差は下のデモで体感できる。研究で使った動画の実際のセリフを使い、選んだ上位語に入らない単語をすべて空欄にしてある。
2,000語では、ミートボールのセリフの既知率は58.3%だ。albóndigas、parmesano、rallado、orégano はリストに入っておらず、perejil（パセリ）は13,520位にある。猫についてのセリフは、同じ2,000語で96.2%が既知になる。どちらもスペイン語で、どちらもA2とラベルがついている。
英語とスペイン語を数字で見る
英語。 典型的な動画は2,021語で90%、4,462語で95%、9,403語で98%に届く。3,000語なら英語の動画の24.9%が95%以上。5,000語なら58.4%が95%以上で、15.2%が98%以上になる。
スペイン語。 典型的な動画は2,754語で90%、6,781語で95%に届く。98%には10,000語以内では届かない。3,000語ならスペイン語の動画の10.8%が95%以上。5,000語なら32.0%になる。
つまりスペイン語では、3,000語の学習者でも、単語の95%が既知の動画が10本に1本ほど見つかる。これは十分に学べる量だ。まだ知らない単語が、知っている単語に囲まれて出てくるからだ。次のコロンビアの動画もその1本で、単語の88.4%が上位1,000語、96.3%が上位2,000語に入っている。
ただし、単語を知っていることと、聞き取れることは別だ。この動画の話者は毎分243語（中央値）で話していて、教科書の音声よりずっと速い。語彙カバー率は、書き起こしなら理解できるかどうかを教えてくれる。速さについていけるかどうかは教えてくれない。
なだらかな言語と急な言語
曲線の形はどれも同じではない。デンマーク語、スウェーデン語、オランダ語では、上位1,000語ですでに典型的な動画の84.4%〜86.5%をカバーし、1,000語から5,000語に増やしても8.3〜9.3ポイントしか上がらない。英語、フランス語、スペイン語、ポルトガル語、イタリア語は、同じ範囲で11.5〜12.6ポイント上がる。いちばん急なのはインドネシア語（+20.8）、ウクライナ語（+18.3）、アラビア語（+18.1）、ロシア語（+16.5）、フィンランド語（+15.3）、トルコ語（+15.2）、ポーランド語（+14.3）だ。
曲線が急ということは、最初の1,000語では未知の部分が多く残り、その先の1,000語ごとの価値が大きいということだ。これは言語そのものの性質でもあり、単語の数え方の問題でもある。2つの言語を比べる前に、その点を説明しておきたい。
ここで使うリストはレンマ化してある。dije、dijo、decir はすべて decir という1語として数える。動詞の活用が多いスペイン語には公平なやり方だ。ただしレンマ化は、その形を認識できたときにしか働かない。チェコ語、フィンランド語、ハンガリー語、ロシア語、ウクライナ語では、典型的な動画の延べ語数の9.0%〜10.8%が、どのレンマにも結びつけられない形だった。その多くは、ツールが格語尾を落とせなかっただけの普通の単語だ。ここでは未知語として数えているので、この5言語の数字は下限になる。実際のカバー率はもっと高い。下の表ではアスタリスクをつけてある。
複合語は、ドイツ語、オランダ語、北欧の言語に同じように不利に働く。Küchenschrank（食器棚）のようなドイツ語の複合語は、両方の部分を知っていても、複合語まるごとがリストになければ未知語として数えられる。
レベル表示は語彙をほとんど変えない
カタログのすべての動画にはCEFRレベルがついていて、書き起こしを読んだモデルが判定している。ここでは5つの帯にまとめた。A1（A0はA1に含む）からC1（C2はC1に含む）までだ。もしラベルが語彙を反映しているなら、レベルが上がるほど多くの単語が必要になるはずだ。だが最初の2,000語については、ほとんどそうならない。言語をまたいだ中央値をとると（A1は11言語、C1は20言語で十分な本数がある）、上位2,000語はA1の動画の84.0%、A2で84.0%、B1で85.2%、B2で86.1%、C1で84.1%をカバーする。
レベル差が出るのは上のほうだ。5,000語を知っていると、単語の95%がわかるのはA1の動画の30.2%、A2の20.6%、B1の22.6%、B2の15.5%、C1の4.5%になる。長さも理由の1つだ。サンプル中のC1動画の延べ語数は中央値338語、A1は81語。短い動画では、まれな単語が出てくる機会が少ない。
カバー率がいちばん低い動画は、多くが食べ物の話だ。サンプル中、2,000語でのカバー率が低い英語の動画25本のうち、約3分の2がレシピ、食レポ、お菓子の試食で、21本がA1かA2とラベルされている。スペイン語では、下位25本のうち11本が食べ物、3本が子ども向けの歌だ。レシピの文法は簡単で（「にんにくを入れて、混ぜて、できあがり」）、だからラベルが低くなる。だが名詞は簡単ではない。英語のリストでは garlic が6,395位、tablespoon が11,551位。スペイン語では ajo が6,605位、sartén（フライパン）が11,125位だ。
英語の動画を2本並べてみる。1本目はB2とラベルされた映画の予告編で、単語の96.9%が上位2,000語に入り、1,300語で95%を超える。2本目はA2とラベルされたスロークッカーのレシピで、上位2,000語に入るのは72.3%。95%を超えるのは11,551語、つまり tablespoon の順位に達したときだ。
とはいえ予告編も簡単ではない。理由は別で、話者は毎分215語（中央値）で話している。レベル表示は、速さ、文法、語彙を1文字に混ぜてしまう。そして抜け落ちるのが語彙の部分だ。2,000〜5,000語の段階なら、レベルだけでなく動画のテーマも見るといい。食べ物、料理、商品紹介は、リストのずっと下にある単語をたくさん使う。
変種によっても違う
アラビア語は方言ごとに別の頻度リストで測っている。他の言語は、すべての変種に1つのリストを使っている。2,000語のとき、典型的なエジプト方言の動画は86.1%、イラク方言は79.6%、モロッコ方言は72.5%のカバー率になる。モロッコ方言では、典型的な動画の単語の9.5%がそもそもリストに入っていないので、その差の一部はリストのせいだ。フランス語では、ケベックの動画が90.6%、フランス本国の動画が87.6%。ブラジルのポルトガル語は87.4%、ヨーロッパのポルトガル語は80.3%だが、ヨーロッパのポルトガル語はフィルターを通過したのが61本だけで、別のリストで採点されている。この数字は慎重に扱ってほしい。
Nationの推定との比較
話し言葉の英語でいちばん知られている数字は、Paul Nation の2006年の論文「How large a vocabulary is needed for reading and listening?」だ。ニュージーランド英語の話し言葉コーパスを使い、3,000語族と固有名詞で95%を超えること、98%には6,000〜7,000語族が必要なことを示した。Webb と Rodgers（2009）は映画の脚本で近い数字を出している。3,000語族に固有名詞と周辺語を加えて95.76%、6,000語族に同じものを加えて98.15%だ。
私の英語の数字はこれより高い。典型的な動画が95%に届くのに4,462語、98%に9,403語。英語の動画をすべて1つの長いテキストとして扱うと、5,000語で95.1%をカバーする。数字が違う理由は3つあり、どれも「どちらかが間違っている」という話ではない。
- 語族はレンマより大きい。語族は happy、unhappy、happiness、happily を1単位にまとめる。レンマのリストは4語として数える。つまり3,000語族は、もっと多くのレンマに相当する。
- リストは主に書き言葉から作られている。日常の話し言葉の単語は、思うより下のほうにある。alright は3,102位、kinda は2,333位、bye は3,273位だ。
- 短い動画は1つの話題に集中する。2分のレシピは、単語の大半をその話題の語彙に使う。長い会話なら話題が移り、一般的な単語を繰り返し使う。
言語を学んでいる人にとっての意味
最初の2,000〜3,000語は、頻度順のデッキやコースで意識して覚える価値がある。そこまで来れば、95%で理解できるネイティブ動画がそれなりの割合で射程に入る。そこから先は、リストではなく文脈から多くの単語を拾えるようになる。そこまで早く到達する方法は、Christian Lauer の初心者向けガイドにまとまっている。
その後は、レベルだけでなくテーマで動画を選ぼう。スペイン語の語彙が3,000語ある学習者なら、上の猫のコントは追えても、ミートボールのレシピでは迷子になる。どちらもA2とラベルされているのに、だ。それから、チェコ語、フィンランド語、ハンガリー語、ロシア語、ウクライナ語では、ここでの数字は実感より厳しく出ている。未知語として数えられたものの多くは、知っている単語に、まだ見たことのない語尾がついているだけだ。
上のような動画で練習したいなら、スペイン語、英語、ドイツ語のページにレベル別のネイティブ動画が並んでいる。字幕はこのページの動画と同じ、単語ごとの表示だ。話す前に理解が先に来る理由については、頭の中で訳すのをやめる方法へ。
測定方法
動画について。 対象は2026年9月29日時点でReelangのカタログにあり、ローテーションに入っていた動画。つまり一般公開されていて、発話があり、ネイティブ向けの内容（語学レッスンではない）で、吹き替えではなく、1言語のものだ。各言語でCEFRレベルごとに最大500本を抽出し、カタログ内の各レベルの比率で重みづけした。だから数字はカタログ全体を表している。50語未満の動画、同じ字幕行が繰り返される動画（行の30%超）、再生時間あたり毎分330語を超える動画、単語の35%超がその言語のリストにない動画（たいてい書き起こしの言語が違う）は除外した。その結果、順位づけした23言語で35,615本、延べ1,380万語が残った。動画の長さは中央値81秒。うち35,600本がYouTube、8本がTikTok、7本がInstagramからだ。
単語について。 各書き起こしを空白と句読点で分割し、小文字化し、数字を除いた。各単語は、その言語の頻度リストで引く。リストはwordfreq 3.1.1（Speer, 2022）をもとに、頻度上位25,000の語形をsimplemmaでレンマごとにまとめ（アラビア語、ヘブライ語、アジアの言語には別ツール）、レンマごとの合計頻度で順位づけしたもの。リストにない語形は、フォールバックとしてsimplemmaでレンマ化する。固有名詞（大文字始まり、文頭ではない、リストにない）と、uh、mhm、haha のような周辺語は既知として数える。Nation（2006）や Webb and Rodgers（2009）と同じやり方だ。ドイツ語はすべての名詞を大文字で書き、ヒンディー語とアラビア語には大文字がないので、この3言語には固有名詞の加点をしない。英語では、短縮形の各部分を元の語として数える（didn't は did と not として数える）。
数字について。 カバー率は、動画の延べ語数のうち、レンマが上位N語に入る割合だ。上のパーセンテージは動画をまたいだ中央値。「95%に届く動画の割合」は、各動画の単語順位から正確なしきい値を計算していて、補間はしていない。「典型的な動画が95%に届く語数」は、中央値の動画が95%を超える最小の語彙サイズだ。
順位づけしていない言語。 ヘブライ語は接頭辞（ve-、ha-、be-、le-）を切り離していないので、知っている単語が未知として数えられる。タミル語は書き起こしが話し言葉で、リストは書き言葉だ。日本語、中国語、韓国語は内容語のみ、ベトナム語は音節単位で数えているので、他と比較できない。順位づけには最低300本の動画が必要だ。ノルウェー語は449本で、他の順位づけ言語はすべて1,000本を超えている。トルコ語のリストはレンマが9,088語しかないので、グラフは8,000語で止まり、「10,000+」はリスト全体でも典型的な動画が95%に届かないことを意味する。
わかっている偏り。 この数字は音声ではなく書き起こしについてのものなので、音声認識の誤りも単語として数えられる。上位N語を完璧に知っているというのは理想的な想定で、慣用句も1単位として数えていない。CEFRレベルは、書き起こしに対するモデルの判断だ。そしてカタログは学習者向けに選ばれている。はっきりした発話で、幅広く受け入れられる動画に偏っているので、YouTubeやTikTok全体のランダムサンプルではない。
このデータを使う
このページのグラフと数字は、あなたの記事、授業、研究で自由に使ってかまわない。出典としてこのページにリンクしてほしい。
| 言語 | 動画数 | 1,000 | 2,000 | 5,000 | 95%+ | 98%+ | 95%到達 |
|---|---|---|---|---|---|---|---|
| デンマーク語 | 1,122 | 86.5% | 91.1% | 94.8% | 47.0% | 8.4% | 5,292 |
| 英語 | 2,002 | 83.7% | 89.9% | 95.6% | 58.4% | 15.2% | 4,462 |
| スウェーデン語 | 1,325 | 85.6% | 89.8% | 94.0% | 37.6% | 5.6% | 6,768 |
| オランダ語 | 1,841 | 84.4% | 89.0% | 93.7% | 32.2% | 3.5% | 7,109 |
| フランス語 | 1,961 | 82.7% | 88.4% | 94.2% | 40.1% | 5.8% | 5,804 |
| ノルウェー語 | 449 | 83.5% | 88.1% | 93.0% | 25.0% | 3.8% | 9,478 |
| スペイン語 | 2,195 | 81.6% | 87.3% | 93.5% | 32.0% | 5.4% | 6,781 |
| ポルトガル語 | 1,865 | 81.4% | 87.2% | 94.0% | 38.4% | 7.3% | 6,121 |
| ルーマニア語 | 1,602 | 81.4% | 87.0% | 92.5% | 25.3% | 5.8% | 9,586 |
| エスペラント | 1,007 | 80.0% | 86.3% | 92.3% | 28.6% | 4.5% | 10,000+ |
| イタリア語 | 1,880 | 79.7% | 85.6% | 91.9% | 21.2% | 2.7% | 9,269 |
| トルコ語 | 1,322 | 77.1% | 85.6% | 92.3% | 25.4% | 5.5% | 10,000+ † |
| ドイツ語 | 1,933 | 80.0% | 84.8% | 90.3% | 11.3% | 1.1% | 10,000+ |
| ギリシャ語 | 1,796 | 78.0% | 83.5% | 89.0% | 6.7% | 1.0% | 10,000+ |
| ヒンディー語 | 1,417 | 77.2% | 82.4% | 88.3% | 6.6% | 1.2% | 10,000+ |
| アラビア語 | 1,916 | 73.1% | 82.2% | 91.2% | 17.8% | 2.7% | 10,000+ |
| ポーランド語 | 1,503 | 73.9% | 81.0% | 88.2% | 8.2% | 1.0% | 10,000+ |
| インドネシア語 | 1,582 | 68.6% | 80.6% | 89.4% | 10.4% | 2.3% | 10,000+ |
| チェコ語 * | 1,239 | 73.4% | 80.0% | 86.8% | 3.9% | 0.5% | 10,000+ |
| フィンランド語 * | 1,565 | 71.7% | 79.3% | 87.0% | 3.6% | 0.8% | 10,000+ |
| ハンガリー語 * | 1,732 | 71.7% | 78.1% | 84.5% | 0.4% | 0.0% | 10,000+ |
| ロシア語 * | 1,305 | 70.0% | 77.8% | 86.5% | 2.9% | 0.1% | 10,000+ |
| ウクライナ語 * | 1,056 | 65.4% | 73.4% | 83.7% | 0.8% | 0.0% | 10,000+ |
1,000、2,000、5,000の列は、上位1,000・2,000・5,000レンマがカバーする、動画内の延べ語数の割合（中央値）。95%+と98%+は、上位5,000レンマを知る学習者が単語の95%以上または98%以上を知っている動画の割合。95%到達は、中央値の動画が95%を超える語彙サイズ（10,000+は10,000語以内では届かないこと）。* 下限値。典型的な動画で単語の9%以上がリストに結びつけられなかったので、実際のカバー率はもっと高い。† トルコ語のリストはレンマが9,088語しかなく、典型的なトルコ語の動画はリスト全体でも95%に届かない。
出典
- Hu, M. H.-c., & Nation, I. S. P. (2000). Unknown vocabulary density and reading comprehension. Reading in a Foreign Language, 13(1), 403-430. doi.org/10.64152/10125/66973（全文無料）
- Laufer, B. (1989). What percentage of text-lexis is essential for comprehension? In C. Lauren & M. Nordman (Eds.), Special language: From humans thinking to thinking machines (pp. 316-323). Multilingual Matters. 書誌情報
- Nation, I. S. P. (2006). How large a vocabulary is needed for reading and listening? The Canadian Modern Language Review, 63(1), 59-82. doi.org/10.3138/cmlr.63.1.59, 無料PDF
- Speer, R. (2022). wordfreq v3.0 [data and software]. Zenodo. doi.org/10.5281/zenodo.7199437. 本研究では github.com/rspeer/wordfreq のリリース3.1.1を使用した。
- van Zeeland, H., & Schmitt, N. (2013). Lexical coverage in L1 and L2 listening comprehension: The same or different from reading comprehension? Applied Linguistics, 34(4), 457-479. doi.org/10.1093/applin/ams074
- Webb, S., & Rodgers, M. P. H. (2009). The lexical coverage of movies. Applied Linguistics, 30(3), 407-427. doi.org/10.1093/applin/amp010
次の記事
初心者のための理解可能なインプット
理解可能なインプットは、話の中身を追えるようになって初めて効きはじめる。Christian Lauerが、そこへ最短で届く方法と、届いたかどうかの見分け方を語る。
頭の中の翻訳をやめるには：話す前に「聞いて分かる」を育てる
頭の中で翻訳しなくなるのは、理解できる言葉を大量に浴びて、脳が翻訳を必要としなくなったとき。コツや根性ではなく、量がすべて。だいたい分かる本物の話し言葉を何時間も聞くうちに、母語を経由せずに音から意味へ直行する道ができる。
中国語学習に「理解可能なインプット」が効く理由
中国語の最大の壁は、声調、漢字の読み書き、話し言葉と書き言葉の差。どれもルールより先に「耳」で覚えるものだ。文法ドリルや単語カードは中国語を単体で覚えさせる。理解可能なインプットは、ネイティブが実際に話すままの速さと文脈で、声調やリズムごと身につけさせる。この違いが、この記事のすべてだ。